[發明專利]基于特征學習的短答案自動評分方法、系統及存儲介質

有效

• 申請號: 201811355345.3
• 申請日: 2018-11-14
• 公開（公告）號: CN109670168B
• 公開（公告）日: 2023-04-18
• 發明（設計）人: 朱佳;倫家琪;肖菁;余偉浩
• 申請（專利權）人: 華南師范大學
• 主分類號: G06F40/289
• 分類號: G06F40/289;G06F40/30;G06F16/35;G06N3/0464;G06N3/0442;G06N3/045;G06N3/08
• 代理公司: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 胡輝

1.基于特征學習的短答案自動評分方法，其特征在于：包括以下步驟：

對短答案的問題、標準答案以及回答答案進行分詞操作，生成詞序列；

對詞序列進行向量化表示，生成映射矩陣；

對映射矩陣進行詞語級別的特征抽取，生成詞語特征；所述詞語級別的特征包括詞語重疊特征、問題類型特征及回答答案和標準答案之間的相似詞性標記；

對由映射矩陣提取得到的短答案的問題的語義特征向量、標準答案的語義特征向量和回答答案的語義特征向量進行向量運算特征轉換，生成句子特征；

根據詞語特征和句子特征，通過深度學習分類器模型預測短答案的文本類別；

基于文本類別與分值的映射關系，確定短答案的分數。

2.根據權利要求1所述的基于特征學習的短答案自動評分方法，其特征在于：所述對詞序列進行向量化表示，生成映射矩陣這一步驟，包括以下步驟：

通過文本分類器訓練詞語庫；

根據訓練好的詞語庫，對詞序列中的每個詞語進行多維向量化表示，生成映射矩陣。

3.根據權利要求1所述的基于特征學習的短答案自動評分方法，其特征在于：所述標準答案的語義特征向量的確定過程，其具體為：

通過Bi-LSTM神經網絡對標準答案的映射矩陣進行運算，生成標準答案的語義特征向量；

所述通過Bi-LSTM神經網絡對標準答案的映射矩陣進行運算，生成標準答案的語義特征向量這一步驟，包括以下步驟：

通過第一LSTM單元，基于第一順序對映射矩陣中的詞語進行處理，得到第一輸出；

通過第二LSTM單元，基于第二順序對映射矩陣中的詞語進行處理，得到第二輸出；

對第一輸出和第二輸出進行拼接處理，得到第三輸出；

通過最大池化算法對第三輸出進行下采樣處理，得到標準答案的語義特征向量。

4.根據權利要求1所述的基于特征學習的短答案自動評分方法，其特征在于：還包括對訓練數據進行增強這一步驟。

5.根據權利要求4所述的基于特征學習的短答案自動評分方法，其特征在于：所述對訓練數據進行增強這一步驟，包括以下步驟：

獲取短文本的問題和標準答案；

根據短文本的問題和標準答案，逐一對回答答案進行評分；

若回答答案的得分為滿分，則將所述回答答案作為標準答案，并返回執行根據短文本的問題和標準答案，逐一對回答答案進行評分這一步驟，直至所有回答答案遍歷結束。

6.基于特征學習的短答案自動評分系統，其特征在于：包括：

分詞模塊，用于對短答案的問題、標準答案以及回答答案進行分詞操作，生成詞序列；

向量化模塊，用于對詞序列進行向量化表示，生成映射矩陣；

詞語特征抽取模塊，用于對映射矩陣進行詞語級別的特征抽取，生成詞語特征；所述詞語級別的特征包括詞語重疊特征、問題類型特征及回答答案和標準答案之間的相似詞性標記；

句子特征抽取模塊，用于對由映射矩陣提取得到的短答案的問題的語義特征向量、標準答案的語義特征向量和回答答案的語義特征向量進行向量運算特征轉換，生成句子特征；

預測模塊，用于根據詞語特征和句子特征，通過深度學習分類器模型預測短答案的文本類別；

評分模塊，用于基于文本類別與分值的映射關系，確定短答案的分數。

7.基于特征學習的短答案自動評分系統，其特征在于：包括：

至少一個處理器；

至少一個存儲器，用于存儲至少一個程序；

當所述至少一個程序被所述至少一個處理器執行，使得所述至少一個處理器實現如權利要求1-5中任一項所述的基于特征學習的短答案自動評分方法。

8.一種存儲介質，其中存儲有處理器可執行的指令，其特征在于：所述處理器可執行的指令在由處理器執行時用于執行如權利要求1-5中任一項所述的基于特征學習的短答案自動評分方法。